基于深度学习的人体椎骨分割
发布时间：2020-12-10 23:58
计算机断层摄影术（CT）是一种常用的临床医学成像技术。CT可以很好的实现椎体骨折和不稳定损伤检测,因而广泛应用于临床诊断。由于腰椎承受了身体大多数的力量,在遭遇较强外力时容易造成压缩性骨折。在临床诊断中,初期和中期的压缩性骨折在椎骨形态上形变较小,大多数情况医生会出现误诊以至于加重骨折程度,因此需要十分精确的分割结果才能更好的辅助医生进行诊断。但是临床中的手动分割耗时耗力且不同的医生分割的结果不同,并没有一个统一的分割标准。除了上述原因外,椎骨形态间的重复性、正常和病理间的解剖变异性、图像采集的参数相异性（包括分辨率和可见视野等）等原因,使得单个椎骨的自动分节段分割存在极大的困难。目前已有的传统分割算法以及机器学习算法,虽然能分割出人体椎骨,但是由于其精度太差,导致无法应用于临床。因此,迫切需要一种能自动完成椎骨节段分割的算法,从而大大减轻临床医生的工作负担。针对这一问题,本文提出一种人体椎骨多类别分割算法,大大的提高了椎骨分割的精度,其中包括了以下三部分:1、CT图像预处理。其中包括了限制对比度自适应直方图均衡化、基于HU值的阈值分割以及图像膨胀等操作,提高了输入图像的质量,增强了图...
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
图２－１融合Ｎｏｒｍａｌｉｚｅｄ?ｃｕｔ算法的ＯＴＳＵ分割结果［２５］??６??
?第二章相关研究及理论方法介绍???由图２－１可以看出，虽然该分割算法可以较为完整的分割出完整的腰椎，但是??对于每一个椎骨的边缘以及形状都会有所确实，分割的精度并不高。在临床的诊??断中，并不具有很高的使用价值。??２．１．２?ＧＶＦ?Ｓｎａｋｅ?分害ＩＪ算法??在传统的图像处理领域，Ｓｎａｋｅ又被大家称作活动轮廓，它表示的在一张图像??区域内的一条曲线Ｘ（ｓ）［２６３，其可以表示为：??Ｚ（ｓ）?＝?（ｘ（ｓ），ｙ（ｓ），５?Ｇ?［０，１］）?（２－２）??其中ｘ（ｓ），ｙ（ｓ）分别是ｘ和ｙ在图像中的坐标值。??公式２－２在定义了活动轮廓的弹性曲线时，同时特定义了该弹性曲线的能量函??数。对于Ｓｎａｋｅ模型来说，能量函数是该算法的核心，可以表示为：??Ｅｓｎａｋｅ?—?／〇?＾ｓｎａｆｃｅ??＝＾｛［＾ｉｎｔＣｖＣｓ））］?＋?［Ｅｉｍａｇｅ＾ｉｓ））］?＋?［Ｅｃｏｎ（ｖ（ｓ））］｝ｄｓ?（２－３）??其中Ｆｉｒｉｔ表示由于曲线弯曲而产生的力；表示计算图像信息而产生力；??则表示图像外部的约束力。??Ｓｎａｋｅ模型的最优解本质上就是最小化其能量函数。为了使Ｓｎａｋｅ模型的能量??函数最小，需要对该函数的泛函数求极值，因此能量函数的最小化问题转换成了??对偏微分方程的求解［２７］。??Ｘｕ等人从力平衡角度，定义了一个名为梯度向量流的静态外力Ｆｅ；ｃｔ?＝?ｙ）。??相比于传统的Ｓｎａｋｅ分割算法，由于加入了新的外力，则ＧＶＦ扩大了曲线的外力??范围，并且可以推动传统的Ｓｎａｋｅ算法收敛到凹陷处边界。其分割结果如图２－２所??不〇??■Ｋｉｌｌ??＿??图２－２?ＧＶＦ?Ｓｎａｋｅ算法分割结果??
?第二章相关研究及理论方法介绍???考虑了多尺度特征的融合，结合了高级特征和低级特征，增加了信息量，很适合??用于医学图像的合成任务，但是Ｕ－ｎｅｔ中使用了池化层对图像降维，一定程度上也??会损失图像的局部信息。??用于椎骨分割的Ｕ－Ｎｅｔ结构如图２－３所示。由图可以看出，该网络实现了对??ＣＴ椎骨图像的分割。相比较与ＦＣＮ，Ｕ－ｎｅｔ构建了以全卷积网络为基础，在解码??路径中将在编码网络中与之对应的特征图对其进行补充，用反卷积操作代替池化??操作进行上采样，从而可以提高分割结果的精度，但是其Ｄｉｃｅ系数也只有０．８５，??并不能达到临床诊断的要求。??１６?３２?３２＾｜?３２?３２??２??１?十??＇３２?Ｗ?６４＊１２８?６４?１??＿?Ｈｉ??晷?６４?１２８?１２８＊２５６?１２８?畲??〇〇〇?ｉ＇ｉ〇ｇａ??４?１２６?２５６?２５６＊５１２?２５６??疇?Ｉ＇?ｆ＇—＂：?：???４?？大池化操作??＞卷积层＊?ＲＥＬＵ函致??捧＊卷积层＋?ＲＥＬＵ函教??＂Ｉ■上采样操作??〈—连捿?Ｊ??图２－３用于椎骨分割的Ｕ－Ｎｅｔ结构??２．２．２基于生成对抗网络的椎骨分割算法??生成对抗网络（ＧＡＮ）作为近两年深度学习领域的提出的神经网络，其在图像??生成、分割等图像任务表现出了非常好的性能。与其他的神经网络相比，生成对??抗网络最为引人注目的地方就是将对抗的这一概念引入了深度学习领域。??ＧＡＮ就是一个对抗模型，用来生成和真实数据相似的结果。ＧＡＮ主要包含两??个部分，分别为生成器Ｇ和鉴别器Ｄ，如图２－４所示。生成器Ｇ和鉴别器Ｄ互为??
本文编号：2909519
【文章来源】：电子科技大学四川省 211工程院校 985工程院校 教育部直属院校
【文章页数】：60 页
【学位级别】：硕士
【部分图文】：
图２－１融合Ｎｏｒｍａｌｉｚｅｄ?ｃｕｔ算法的ＯＴＳＵ分割结果［２５］??６??
?第二章相关研究及理论方法介绍???由图２－１可以看出，虽然该分割算法可以较为完整的分割出完整的腰椎，但是??对于每一个椎骨的边缘以及形状都会有所确实，分割的精度并不高。在临床的诊??断中，并不具有很高的使用价值。??２．１．２?ＧＶＦ?Ｓｎａｋｅ?分害ＩＪ算法??在传统的图像处理领域，Ｓｎａｋｅ又被大家称作活动轮廓，它表示的在一张图像??区域内的一条曲线Ｘ（ｓ）［２６３，其可以表示为：??Ｚ（ｓ）?＝?（ｘ（ｓ），ｙ（ｓ），５?Ｇ?［０，１］）?（２－２）??其中ｘ（ｓ），ｙ（ｓ）分别是ｘ和ｙ在图像中的坐标值。??公式２－２在定义了活动轮廓的弹性曲线时，同时特定义了该弹性曲线的能量函??数。对于Ｓｎａｋｅ模型来说，能量函数是该算法的核心，可以表示为：??Ｅｓｎａｋｅ?—?／〇?＾ｓｎａｆｃｅ??＝＾｛［＾ｉｎｔＣｖＣｓ））］?＋?［Ｅｉｍａｇｅ＾ｉｓ））］?＋?［Ｅｃｏｎ（ｖ（ｓ））］｝ｄｓ?（２－３）??其中Ｆｉｒｉｔ表示由于曲线弯曲而产生的力；表示计算图像信息而产生力；??则表示图像外部的约束力。??Ｓｎａｋｅ模型的最优解本质上就是最小化其能量函数。为了使Ｓｎａｋｅ模型的能量??函数最小，需要对该函数的泛函数求极值，因此能量函数的最小化问题转换成了??对偏微分方程的求解［２７］。??Ｘｕ等人从力平衡角度，定义了一个名为梯度向量流的静态外力Ｆｅ；ｃｔ?＝?ｙ）。??相比于传统的Ｓｎａｋｅ分割算法，由于加入了新的外力，则ＧＶＦ扩大了曲线的外力??范围，并且可以推动传统的Ｓｎａｋｅ算法收敛到凹陷处边界。其分割结果如图２－２所??不〇??■Ｋｉｌｌ??＿??图２－２?ＧＶＦ?Ｓｎａｋｅ算法分割结果??
?第二章相关研究及理论方法介绍???考虑了多尺度特征的融合，结合了高级特征和低级特征，增加了信息量，很适合??用于医学图像的合成任务，但是Ｕ－ｎｅｔ中使用了池化层对图像降维，一定程度上也??会损失图像的局部信息。??用于椎骨分割的Ｕ－Ｎｅｔ结构如图２－３所示。由图可以看出，该网络实现了对??ＣＴ椎骨图像的分割。相比较与ＦＣＮ，Ｕ－ｎｅｔ构建了以全卷积网络为基础，在解码??路径中将在编码网络中与之对应的特征图对其进行补充，用反卷积操作代替池化??操作进行上采样，从而可以提高分割结果的精度，但是其Ｄｉｃｅ系数也只有０．８５，??并不能达到临床诊断的要求。??１６?３２?３２＾｜?３２?３２??２??１?十??＇３２?Ｗ?６４＊１２８?６４?１??＿?Ｈｉ??晷?６４?１２８?１２８＊２５６?１２８?畲??〇〇〇?ｉ＇ｉ〇ｇａ??４?１２６?２５６?２５６＊５１２?２５６??疇?Ｉ＇?ｆ＇—＂：?：???４?？大池化操作??＞卷积层＊?ＲＥＬＵ函致??捧＊卷积层＋?ＲＥＬＵ函教??＂Ｉ■上采样操作??〈—连捿?Ｊ??图２－３用于椎骨分割的Ｕ－Ｎｅｔ结构??２．２．２基于生成对抗网络的椎骨分割算法??生成对抗网络（ＧＡＮ）作为近两年深度学习领域的提出的神经网络，其在图像??生成、分割等图像任务表现出了非常好的性能。与其他的神经网络相比，生成对??抗网络最为引人注目的地方就是将对抗的这一概念引入了深度学习领域。??ＧＡＮ就是一个对抗模型，用来生成和真实数据相似的结果。ＧＡＮ主要包含两??个部分，分别为生成器Ｇ和鉴别器Ｄ，如图２－４所示。生成器Ｇ和鉴别器Ｄ互为??
本文编号：2909519
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2909519.html
